国际计算机与通信工程创新研究杂志
菜单在线刊号(2320-9801)印刷刊号(2320-9798)
在线刊号(2320-9801)印刷刊号(2320-9798)
| Ashish Kumar Kushwaha1阿维纳什·p·瓦德2 |
| 有关文章载于Pubmed，谷歌学者 |
更多相关文章请访问国际计算机与通信工程创新研究杂志
随着技术的迅速发展，视频成为了最重要的武器，以打击那些通过抓捕他们的违法行为。人们认为，通过视频捕捉到的证据比单独的目击者证词更可靠、更准确、更有说服力。但由于多媒体编辑软件的发展，数码照片和视频不再被视为证据。使用软件可以很容易地修正证据。因此，我们提出了一个新的取证框架，视频伪造取证框架，能够在不需要任何专门硬件的情况下进行视频隐写分析和检测数字视频篡改。该框架可用于使用增强的取证技术对视频进行取证，也可用于检测视频中的任何隐藏数据。该框架的目标是为法医社区提供简单方便的视频法医框架，以便在将证据提交法院执法之前对其进行验证
关键字 |
| 视频取证，视频隐写分析，取证框架 |
介绍 |
| 由于低成本的数字和复杂摄像机的可用性以及视频分享网站的可用性，如YouTube，数字视频成为日常生活中最重要的一部分。由于视频可以很容易地使用可用的工具进行操作，它们的真实性不能被视为理所当然。篡改数字视频不是一项简单的任务，与静态图像相比，这是一项具有挑战性和耗时的任务，但视频编辑软件可以是一种简单的操作视频的方法。当然，并不是所有的视频伪造都有同样的后果;篡改流行歌手的镜头可能没有篡改正在进行的犯罪镜头那么重要。但视频的可变性破坏了我们对其作为现实再现的准确性和可靠性的常识假设。随着数字视频编辑技术的发展，越来越有必要开发检测视频伪造的工具。 |
1.1视频伪造 |
| 电影行业可能是改进视频处理技术的最强驱动力。利用目前可用的视频编辑技术，专业人员可以轻松地从视频序列中删除对象，插入来自不同视频源的对象，甚至插入由计算机图形软件创建的对象。当然，先进的视频处理技术极大地丰富了我们的视觉体验。然而，随着这些技术越来越多地向公众提供，恶意篡改。虽然篡改视频相对困难，但近年来我们已经开始遇到视频伪造。视频篡改的增长正在对我们的社会产生巨大的影响。虽然目前只有少数数字视频伪造被曝光，但这种情况正在侵蚀公众对视频的信任。因此，科学界迫切需要研究出对录像进行认证的方法。 |
1.2水印 |
| 视频认证的一种解决方案是数字水印。水印有几种类型。其中，易碎水印和半易碎水印可用于视频认证。脆弱水印的工作原理是插入难以察觉的信息，如果有人试图修改视频，这些信息就会被改变。之后，可以提取嵌入的信息来验证视频的真实性。半脆弱水印以类似的方式工作。不同之处在于它对压缩等经典用户修改不太敏感。假设这些修改不会影响视频的完整性。水印方法的主要缺点是水印必须精确地在记录的时候插入 |
1.3视频伪造取证框架 |
| 法医框架的设计是为了在没有水印的帮助下检测数字伪造(数字认证)，我们技术背后的基本假设是，篡改数字视频可能会扰乱视频的某些底层属性，这些扰动可以建模和估计，以检测篡改。我们可以将框架分为3个模块 |
| ï ·视频分析 |
| ï ·视频取证 |
| ï ·视频隐写分析。 |
视频分析 |
| 在这个模块中，我们提出了视频链接分析技术。在这个模块中，我们提出了新的先进的方法，如 |
视频稳定: |
| 该技术消除了视频的抖动运动，并显示视频的稳定版本。这是用来聚焦目标在视频中容易没有任何干扰。这是视频分析中一个重要的视频增强技术 |
视频显示与实时直方图: |
| 该技术可以显示视频序列的实时直方图。直方图是一种使用条形图显示频率数据的可视化方法。直方图的一个特点是它们显示了连续数据的频率。直方图块通过将元素排序到指定数量的离散bins中，计算每个帧中元素的频率分布。 |
| 场景变化检测:该技术检测视频序列中的任何帧添加或删除的主要变化，然后该技术将识别它。 |
| 人脸检测:该技术自动检测视频序列中嫌疑人的人脸，并通过方框标记人脸。人脸检测和跟踪在许多应用中都很重要，包括活动识别、汽车安全和监控。 |
视频法医 |
| De-interlaced。有时，交错的视频被去交错，以尽量减少â ' Â梳理”工件。去隔行过程引入了帧内和帧间像素之间的相关性。然而，篡改很可能会破坏这些相关性 |
| 帧复制检测以前已经提出了检测图像重复的技术。然而，这些技术在计算上效率太低，甚至不能适用于长度适中的视频序列。因此，我们提出了一种新的检测视频重复的方法。 |
| 双重MPEG:当MPEG视频被修改并重新保存为MPEG格式时，它会受到双重压缩。在这个过程中，两种类型的工件-空间/时间可能会引入到最终的视频。这些工件可以被量化，并用作篡改的证据。 |
| Re-projection创建盗版视频的一种简单而流行的方法是简单地从影院屏幕上录制电影。这种重新投影的视频通常会在相机的固有参数中引入失真;特别是扭曲到相机倾斜是篡改的证据。 |
| 帧法医该技术用于对选定的视频帧执行各种取证技术。 |
视频隐写式密码解密 |
| 隐写分析是研究使用隐写术检测隐藏的信息，这类似于应用于密码学的密码分析。在视频隐写分析中，为了确定视频是否被隐写(包含隐藏数据)，有以下几个步骤:第一步是将原始视频转换为MPEG格式(为了更好的效果，视频不应该重新压缩)。在隐写分析的下一步中，从隐写文件中提取数据并创建用于统计分类器的特征。该统计分类器对视频序列中的帧是否被分段，如果大部分帧被分段，则整个视频被分段 |
| 视频隐写分析有3个步骤 |
| ï ·特征集描述 |
| ï ·帧分类 |
| ï ·视频分类 |
| 每种技术都专注于一种特定的篡改形式，不能单独用于检测所有的视频伪造。结合使用这些模块，为无水印数字视频中的伪造检测提供了有希望的开端。 |
2相关工作 |
| Bestagini等在[1]中提出视频编解码器识别是证明视频内容真实性的一项重要任务。视频序列通常是压缩格式的，从一开始就可以获得。因此，能够检测所采用的编码架构揭示了关于可能存在的更改和视频来源的信息。作者提出了两个检测器，允许识别所采用的编码架构为给定的视频序列。第一检测器扩展了幂等检测器的鲁棒性，允许有效的检测。第二检测器通过允许识别分析员不知道的编码方案，扩展了幂等检测器的可能性。Michael Tok, Marko Esche等人在[2]中解释了高效视频编码的参数合并候选。他提出了一种新的合并候选算法，用于改进现有的基于高阶运动的矢量预测技术。Simone Milani, Marco Fontani等人在[3]中提出了一篇关于不同视频取证技术的概述论文。在这篇论文中，他解释说，可以将视频取证技术分为三个领域，即视频信号的采集、压缩和编辑。 In [4], the author Ghulam Qadir et al. explained SULFA (Surrey University Library for Forensic Analysis) for the bench-marking of video forensic techniques. This new video library has been designed and built for the purpose of video forensics specifically related to camera identification and integrity verification. |
| Weihong Wang, Hany Farid在[5]中给出了一种检测重投影视频的方法，用于发现数字视频中的篡改。他解释了从刨面和非刨面投影视频。在[6]中，他们提出了用于检测数字伪造的双量化检测工作。在[7]中，描述了复制技术。作者阐述了帧复制和区域复制两种复制方式。在[8]中，他们提出了在数字视频中检测双MPEG压缩的技术。在数字视频中，静态和时间参数被用来检测篡改。 |
| 对于视频隐写术，Budhia[9]提供了一种早期但全面的治疗方法。这项工作着眼于检测在空间域中使用加性高斯白噪声嵌入的数据。通过使用来自周围帧的数据，他们称之为合谋，实现了对当前帧的估计。尝试了几种不同的合谋方法，包括简单线性平均、加权平均和基于块的重建参考系。基于块的重建搜索邻近帧中的相似块，并将它们复制到新的参考帧中。然后利用该参考系与原始参考系的差值来估计嵌入数据。它们的特征使用峰度、熵和第25百分位等统计数据。他们提到，他们的技术可以应用于DCT域，并使用两种不同的嵌入方法进行测试，尽管没有考虑编码过程(例如，P/B帧)。 |
| Jainsky在MoViSteg[10]中提出了[9]的性能增强，它也使用运动估计来重建帧。他们采用了一种基于渐近相对效率的检测器，该检测器âÂ′Â对于大样本是有效的，而对于弱样本signalsâÂ′Â[10]。检测器使用一个自适应阈值，该阈值基于视频中样本帧的统计数据。虽然他们没有给出整体的准确性，但他们报告在75 dB峰值信噪比(PSNR)下，真阳性率为60%，假阳性率为10%。最近在[11]中，B.和F. Liu使用了由预定相关阈值限制的帧窗口的合谋。他们使用一个简单的线性共谋，平均周围的帧。虽然他们获得了很好的结果(在40%嵌入时从88-100%，这取决于嵌入方案)，但他们测试的水印技术在使用的DCT值上有非常明显的变化。其中两个增加了值的范围，这将显示在全局直方图中。另一种方法是简单地删除选定块中的几个DCT值，这将在双直方图中引起噪声。 |
3提出工作 |
| 视频稳定技术是在没有任何先验知识的情况下自动检测视频序列中的背景平面，并利用其观察到的失真来校正摄像机的运动。用于稳定的算法分为两步 |
| 1.利用估计几何变换函数确定视频中所有相邻帧之间的仿射图像变换。该函数应用于两帧之间的点对应关系。 |
| 2.包装视频帧，以实现稳定的视频 |
| 为此，我们将使用计算机视觉系统工具箱。 |
| 场景变化检测技术分为两部分 |
| 1.为了使算法对微小变化敏感，算法从两个连续的视频帧中寻找边缘 |
| 2.从识别的边缘，一个视频帧的部分与另一个使用块处理块进行比较。如果不同部分的数量超过了指定的阈值，该示例将确定场景发生了变化 |
| 人脸检测过程从检测对象开始，在我们的情况下，我们正在检测人脸(我们也可以配置该技术来检测其他对象，如鼻子、眼睛等)。人脸检测是通过视觉来完成的。CascadeObjectDetector的matlab。级联目标检测器使用Viola-Jones检测算法和训练好的分类模型进行检测 |
| 帧复制检测首先计算视频序列中第一帧的直方图值，然后计算得到的直方图值与视频序列中所有剩余帧的直方图值之间的相关系数，这一过程对视频序列中的所有帧都完成。在此之后，我们比较相关系数这个阈值，如果这个值大于阈值，这个帧被认为是重复的 |
| 去隔行隔行视频是视频序列中顶部和底部字段的组合。这种视频的去交错是用直线重复、线性插值或垂直时间中值滤波来完成的 |
| 在视频伪造取证框架中，提出了一种反取证操作，能够去除MPEG视频序列中在帧添加或删除后重新压缩时产生的时间指纹。我们已经确定了时间指纹的属性，并使用这些属性来模拟帧删除或添加对p帧预测误差序列的影响。我们提出的反取证技术通过选择性地增加视频的某些p帧的预测误差来操作，以便p帧预测误差序列接近使用我们的模型获得的目标预测误差序列。每个p帧的预测误差通过将该帧内某些宏块的运动向量设置为零，然后重新计算该帧的预测误差来增加。实验结果表明，我们提出的反取证技术能够从帧删除或添加的MPEG视频中去除时间指纹。 |
四、实验结果 |
| 我们在L-SVM和集成分类器之间进行了两个实验，在第一个实验中，我们选择了使用548维CC-PEV特征的隐写算法nsF5。对于复杂度问题，我们使用这个低维特征集来训练集合和L-SVM分类器 |
| •使用LIBLINEAR[17]包实现L-SVM |
| •在我们的框架中使用MATLAB来实现隐写分析中使用的建议集成分类器 |
| 我们使用CAMERA数据库进行培训和测试。我们将数据库分为两部分，一部分用于训练，另一部分用于测试，我们还为有效载荷α∈{0.05,0.1,0.15,0.2}bpac(每非零AC DCT系数的比特数)创建了一组隐写图像。表3.1给出了两种分类器的训练时间和检测准确率。我们在一台运行2.5 GHz英特尔酷睿i5处理器的计算机上测量时间。 |
 |
| 表3.1使用CC-PEV特征(L-SVM和Ensemble)对nsF5进行隐写分析 |
| 两个分类器的性能非常相似。在这个实验中，我们发现L-SVM用于训练的时间为14到23分钟，而集成分类器仅对所有有效载荷花费的时间约为2分钟。实验结果表明，集合算法在训练时间和检测精度上优于L-SVM算法。 |
 ． |
| 图3.1基于L-SVM和Ensemble的CC-PEV特征的nsF5隐写分析图 |
| 第二个实验是检验L-SVM分类器和集成分类器的计算复杂度与训练时间Ntrn的关系。在本实验中，我们将有效载荷设置为固定的0.10 bpac，并从BOWS2[18]和BOSSbase图像[19]中收集qf (Quality factor) = 75的JPEG压缩图像用于训练(Ntrn)。 |
| 我们从Ntrn= 1000开始实验，在两个分类器上进行训练，并记录训练次数，增加Ntrn=2000, 3000等，直到Ntrn= 25000。表3.2给出了不同Ntrn的训练次数。 |
 |
| 表3.2训练时间对Ntrn的依赖关系目标算法:nsF5, bpac为0.10 |
 |
| 图3.2训练时间对Ntrn的依赖关系图。目标算法:nsF5, bpac为0.10。 |
| 从这个实验中可以清楚地看出，集成分类器比L-SVM快得多，并且随着训练集规模的增长而快速工作。从以上两个实验结果可以看出，本文提出的视频取证框架中采用集成分类器的隐写分析将是更好的视频取证方法 |
五、结论与未来工作 |
| 仿真结果表明，基于总传输能量度量的算法比基于最大跳数度量的算法性能更好。该算法为数据传输提供了节能的路径，最大限度地提高了整个网络的生命周期。由于本文算法的性能将在两个指标之间进行分析，并在设计上进行了一些修改，因此本文算法的性能可以与其他节能算法进行比较。我们使用了5个节点的非常小的网络，随着节点数量的增加，复杂性也会增加。我们可以增加节点数量并分析性能。 |
参考文献 |
|
